Uso del aprendizaje automático para examinar los tipos de áreas verdes de las calles con una alta resolución espacial: Aplicación en el condado de Los Ángeles sobre las disparidades socioeconómicas en la exposición

En comparación con los indicadores de áreas verdes utilizados habitualmente a partir de imágenes de satélite orientadas hacia abajo, las áreas verdes basadas en vistas de calles pueden captar diferentes tipos de áreas verdes y representar cómo perciben y experimentan los entornos las personas sobre el terreno, lo cual es importante para dilucidar los mecanismos subyacentes que vinculan las áreas verdes y la salud.

Este estudio tuvo como objetivo evaluar los modelos de aprendizaje automático que pueden clasificar el tipo de vegetación (es decir, árboles, vegetación baja, hierba) a partir de imágenes de vista de calle; e investigar las asociaciones entre el espacio verde de la calle y los factores socioeconómicos en el condado de Los Ángeles, California.

Las variables socioeconómicas se obtuvieron del conjunto de datos CalEnviroScreen3.0. Se utilizaron imágenes de Microsoft Bing Maps junto con el aprendizaje profundo para medir el total y los tipos de áreas verdes a la vista de la calle, que se compararon con el índice de vegetación de diferencia normalizada (NDVINDVI es la sigla de "Normalized Difference Vegetation Index" que en español significa Índice de Vegetación de Diferencia Normalizada. Corresponde a un indicador numérico que se utiliza para analizar imágenes satelitales y determinar la presencia,...) como medida de área verde basada en satélite comúnmente utilizada. Se utilizó un modelo mixto lineal generalizado para examinar las asociaciones entre el área verde y el nivel socioeconómicos del tramo censal, ajustando la densidad de población y el estado rural/urbano.

La precisión del modelo de aprendizaje profundo fue alta, con un 92,5% de intersección media sobre la unión. Los NDVI estaban moderadamente correlacionados con el área verde total basado en la vista de la calle y los árboles, y débilmente correlacionados con la vegetación baja y la hierba. El total y los tres tipos de área verde mostraron asociaciones negativas significativas con el nivel socioeconómico del barrio. El porcentaje de área verde total disminuyó en 2,62 [intervalo de confianza (IC) del 95%: -3,02, -2,21, p < 0,001] con cada aumento del rango intercuartílico en la puntuación CalEnviroScreen3.0. Las comunidades desfavorecidas contenían aproximadamente un 5% menos de área verde en las calles que otras comunidades.

Las imágenes de vista de calle junto con el enfoque de aprendizaje profundo pueden medir con precisión y eficiencia el área verde de la calle a nivel del ojo y distinguir los tipos de vegetación. En el condado de Los Ángeles, las comunidades desfavorecidas tenían sustancialmente menos áreas verdes en las calles. Los gobiernos y los planificadores urbanos deben tener en cuenta el tipo y la visibilidad de las áreas verdes de las calles desde la perspectiva de los peatones.

Título Original:

"Using machine learning to examine street green space types at a high spatial resolution: Application in Los Angeles County on socioeconomic disparities in exposure"

Autor/es: